提速10.7倍！这个端侧推理引擎一开源，机器人本体跑大模型终于不卡了

编辑｜Panda

9 月的第二周，具身圈很热闹。

8 日，松延动力发布 HERON-World Model；9 日，智元一口气放出 AGILE 2.0 与 GE-Act 2.0；10 日，宇树开源 UnifoLM-WLA-1.0，6B 参数，约 2500 小时真机数据，一个模型统筹 64 项任务；到 15 日，松延又补上了 HERON-CRA。八天，三家本体厂商，五个模型。

与此同时，机器人正在加速迈入物理世界。9 月 20 日，启元机器人举办新品发布会，两款个人机器人正式发售，Q1 定价 19999 元起；此前 9 月 10 日，优必选宣布斩获超 5000 万元海外订单，涉及 Walker C1、优世界 U1 等产品。资本市场的评价标准也随之变化，开始用脱水复购率、经营性净现金流，以及真实履约成本（即交付之后的部署、调试与维护投入）来重新审视具身企业。

两条线索交汇，一个核心痛点浮现：如何将复杂强大的具身大模型，高效、稳定地部署到算力极其有限的机器人本体硬件上？这正是端侧推理引擎的核心价值所在。

9 月 15 日，清华大学联合无问芯穹与上海交通大学开源了APXInf一款面向具身模型的端侧推理引擎。它同时回答了两个问题：

• 在算力、内存和功耗受限的端侧环境中，如何让具身模型在机器人本体上达到可用的推理速度？
• 当模型不断迭代进化，如何构建持续适配、永不掉队的端侧优化能力？

第一个问题，APXInf 交出的答案是一组数字：无需改变 π0.5 模型本身，通过端到端的全栈优化，在 Thor 芯片 FP8 配置下把推理延迟从 278ms 降至 26ms，端到端提速约 10.7 倍，38.46Hz 的频率让机器人控制进入实时区间。

第二个问题的答案则写在 APXInf 仓库的构建方式中。它把原本依赖少数专家的模型适配、优化与验证，沉淀成了一套可被持续复用并且可被 Agent 使用的工作流程。

项目地址：https://github.com/RLinf/APXinf-robo

为什么具身需要专门的端侧推理优化？

要回答这个问题，先要看清推理引擎在一台机器人中的位置。

一台具身本体大致由主控、算力盒子和外设构成。一次控制循环是：主控采集观测，算力盒子推理出动作 chunk，推送给手臂或底盘执行，然后进入下一帧。推理引擎就嵌在这个循环的中间，它决定一次推理花多少毫秒、控制频率能到多少赫兹，以及那个算力盒子要多大、多热、多贵。

这个位置对引擎提出了一组相当具体的要求：小 batch、实时、延迟抖动小，并且能被主控通过 websocket 或 ROS 稳定调用。这几条恰好是云端推理框架不擅长的。

通用推理框架的做法是用统一的中间表示把模型逐层 lower，再交给后端生成可执行代码，一套编译栈覆盖尽可能多的模型与硬件；vLLM、SGLang 这类方案则围绕云端吞吐设计。它们各自都很成功，但收益都建立在模型种类多、批量大、调度空间足的前提上，而具身端侧这三条恰好都不满足。

于是具身模型的端侧部署形成了三类现实瓶颈。

端侧性能。在端侧，算力、带宽、功耗和散热同时受限，而一次推理却要完成多视角感知、模型前向和动作生成，并以稳定的节奏回应主控。端侧模组与独立显卡之间，内存带宽相差 4 到 8 倍，功耗相差 5 到 10 倍。也因此，在云端跑得顺的模型，换到 Thor 或 Orin 上，效果可能大打折扣。

人力与时间。将模型部署到端侧硬件，并非简单的拷贝运行，而是一项浩大的系统工程。它需要经历从底层架构适配、核心算子编译、精度量化，到软硬件性能调优与仿真验证的全链路流程。这套流程通常要几周，依赖既懂推理系统又懂算子优化的跨领域专家，而这类人在任何一家具身公司都十分稀缺。更关键的是，硬件的微小变动就会导致前功尽弃：一旦更换芯片，所有的算子选择、内存布局与流水线排布都必须推倒重来。

稳定性。Demo 跑得通和长期稳定运行是两件事。后者要面对连续感知控制、资源受限与多模块协同，最怕的还不是慢一点，而是跑着跑着出现抖动、卡死或状态失控。

这三条叠在一起，会呈现出一个乘积特征：

把模型部署到本体上的总工作量≈（一次接入 + 一次调优）× 本体型号数 × 芯片平台数 × 模型迭代次数。

右边每一项变量都在急剧变大：本体型号在增加，芯片多样化，而模型的迭代周期还在极速缩短。事实上，文章开头八天五个模型就是这一现状的直接呈现。靠扩充团队并不现实，它需要的是一层可以被持续复用的基础设施：既能把单次推理压到硬件的极限，还能让下一个模型、下一块芯片的接入不必从头再来。

APXInf 要做的正是这一层。

把推理压进实时区间，APXInf 做对了什么？

先看第一项挑战：如何在有限硬件上把推理效率做到位。

APXInf 不以统一通用 IR 为首要目标，而是优先建设面向模型族的特化执行路径。模型结构、权重布局、内存空间、算子融合方案和执行顺序都直接体现在代码中；只有经过多个模型验证的共性能力，才会进一步沉淀为共享模块。这种设计让优化能够深入模型结构和硬件特性，在算子选择、内存布局与执行流程上进行针对性调整，减少为了兼容通用场景而引入的额外开销。

在运行时，只保留端侧实时推理真正需要的控制能力：

• 算子执行用 CUDA Graph 完成整图捕获与稳态回放，Kernel 选择由 Autotune 生成并持久化；
• 内存由模型层持有固定 Workspace，固定形状、预分配、地址稳定，减少热路径上的数据搬运；
• 调度以小 batch 实时推理为核心，不引入面向大 batch 吞吐的 Continuous Batching 与 Paged Attention。

运行时不做复杂启发式，换来的是执行路径可预测、可复现、可审计。

这种特化一直贯彻到构建环节：编译时会查询本机 GPU 的计算能力，只为这一个架构编译 kernel；CUDA kernel、CUTLASS 与 FlashAttention 的源码随仓库内置，部署时不需要 Docker 和外部框架依赖，省掉动辄数 GB 的镜像。

最终，这种全栈优化可带来效率的巨大提升。Orin 上的优化阶梯可以说明这一点：baseline 为 1300ms，经 torch.compile、Pipeline、Graph、Kernel、Pruning 逐级下探，最终落到 119ms，整体提升超过 10.9 倍。Thor 上也同样如此。

效果上，官方的评测协议是 LIBERO-10 全部 10 个任务各 50 个 episode，seed 固定为 7，replan 步长为 5，共 500 次 rollout。Thor FP8 成功率 92.2%，Thor BF16 92.8%，Orin BF16 92.0%，作为参照的 π0.5 参考实现是 92.4%。

跑得快之外，还要跑得稳。APXInf 底层聚焦高性能算子，实现性能的极致压榨；推理框架的主体部分则选择使用Rust 语言开发，作为一种系统语言，Rust 能够提供低成本、细粒度的系统运行时控制，实现更优的调度与并发管理。同时，Rust 的强制 RAII 特性与所有权系统，极大地收束了内存问题的风险面，支持更加安全鲁棒的资源生命周期管理，unsafe 收口被严格限制在固定的 FFI 边界。中间这一层的系统级价值，是让野指针、数据竞争这类隐蔽故障尽量在上线前就被消灭；对一台要连续工作的机器人来说，这不只需要能「跑到 38Hz」，更是能「连续跑八小时之后还是 38Hz」。

模型不断更迭，推理优化如何跟上？

特化路径带来了性能，也带来了新问题：为每个模型族手写一条路径，意味着模型一更新、硬件一换代，这条路径就要重做一次。如果这部分工作仍然依赖少数专家手工完成，那永远也跟不上具身模型的迭代。

APXInf 的解法是把这套工程能力本身产品化：把原本散落在少数专家经验里的模型接入、前后处理、本体适配、性能调优与部署验证，沉淀为代码 Agent 可以理解、调用和持续迭代的工程流程。

在这种全新的工作流中，人机分工呈现出一种颠覆性的模式：

• Agent 负责跑流程：读取 PyTorch Reference，生成执行 Ledger，实现模型的静态路径，逐算子对拍与回归，最后完成 Autotune、文档与迭代。
• 人负责定标准：架构边界与模块职责、Kernel 契约与安全规范，精度、性能与任务的验收线，以及决定何时把共性抽取为共享抽象。

交给 Agent 的不再是简单的辅助工作，而是最消耗专家时间的实现部分，人则进化为把控全局的「判据」与「决策者」。

也正因为实现可以交给 Agent，验证体系严谨性成为了新的核心护城河。APXInf 建立了三重保障：

1. 全链路分层验证：从单算子、Layer 到完整模型，配合 Eager 与 Graph 路径的交叉对拍，确保每一步都精准可控。
2. Fail-closed（故障封闭）原则：不支持的参数或硬件直接报错，绝不静默输出错误结果。
3. 模型族隔离：共享能力仅在 Kernel 层下沉，任何变更必须经过严格的分层回归，从而锁死风险。

这对用户意味着什么？

对具身企业而言，它把推理优化从一次性项目变成了可持续的工程能力。自研模型改一版，不必重新排队等专家；换一款芯片，不必把上一轮的调优经验推倒重来；团队规模不再是接入速度的硬约束。更重要的是，专家经验从个人手感变成了团队可复用的资产。

对于行业，它提供了一种新的基础设施建设方式。过去衡量一个推理框架，看的是支持多少模型、适配多少硬件、算子库有多全，这些指标背后的假设是接入成本固定，所以覆盖面越广越好。而当接入成本本身开始下降，真正值得看的就变成了：接入一个新模型、上一款新本体需要多少时间。这衡量的是一家具身公司把新模型变成实际产能的速度

从 Mizar 到 APXInf，端侧推理技术栈向物理世界延伸

APXInf 并非一个从零开始的实验性项目，而是无问芯穹在端侧推理领域长期积累的必然结果。

APXInf 的技术基因直接承袭自面向智能终端的推理加速引擎 Mizar。早在 Mizar 阶段，无问芯穹围绕 AI PC、AI 盒子和一体机等终端，已逐步形成异构硬件适配、本地模型部署、推理加速、内存优化与低功耗运行等核心能力。这套技术栈不仅支撑本地模型规模数倍提升、推理性能翻倍，还在相同算力资源下带来了 18% 的智能水平提升

更重要的是，这一技术路线已走过实验阶段，并通过了严苛的量产检验。2025 年 2 月，无问芯穹与联想达成深度合作，将 Mizar 引擎植入联想新一代 AI PC，并于同年 11 月达成超千万台 AI PC 的预装合作。APXInf 正是在此基础上的再次进化。

AI PC 与具身端侧的负载并不相同，但两者面对的约束是一致的：在有限的算力、内存和功耗条件下，达到可用的推理速度。

针对具身场景提出的全新挑战，APXInf 进行了技术延展：无论是面对更复杂的 VLA 模型多模态执行链路，还是应对机器人毫秒级的实时控制需求，APXInf 都能通过底层的极致优化，充分释放硬件性能。同时，面对模型的高速迭代，它又引入了面向 Agent 开发的工程流程。这不仅实现了原有端侧能力的「无缝平移」，更完成了针对具身行业的「深度适配」。

生态布局的另一重考量，是「工程闭环」的无缝衔接。APXInf 选择在 RLinf 开源生态中首发，是因为模型训练与本体推理本就是同一条工程链路上的两个环节。

RLinf 覆盖强化学习训练、评测与真实机器人工作流，而训练完成的具身模型要真正进入本体，还需要一套针对小 batch、低时延和有限功耗设计的推理引擎。APXInf 接的正是这一棒，把 RLinf 的能力从训练与评测延伸到端侧推理与部署，让开发者能在同一套生态里走完从训练、验证到本体运行的全程

下一步，开源共建

就在今天，APXInf 已同步完成π0-fast、GR00T 与 Qwen Drive 的适配，模型支持进一步覆盖机器人操作、移动智能体等不同具身场景。

硬件侧，AMD 与国产芯片后端也已进入路线规划。未来将支持更多具身模型在不同端侧设备上高效、稳定运行。

具身智能要真正走进物理世界，模型、本体和中间这层基础设施缺一不可。面对庞大的接入和验证工程，这也是 APXInf 选择开源共建的初衷。

如果你正在把 π0.5 这类具身模型部署到机器人上，手上有 RTX 4090、Jetson Thor 或 Orin，或者希望为 APXInf 接入新的模型、芯片乃至参与模型接入 Skill 与 Agentic 部署流程本身的建设，都欢迎上手体验、提交 Issue 或贡献 PR。

• GitHub：https://github.com/RLinf/APXinf-robo
• Quick Start：https://github.com/RLinf/APXinf-robo#build-apxinf-robo

致谢

APXInf 的开发深受以下优秀开源项目的启发。无问芯穹向这些项目的社区致以诚挚的感谢，感谢他们的开源精神与技术贡献。

• FasterTransformer:https://github.com/NVIDIA/FasterTransformer
• Tensor-LLM:https://github.com/NVIDIA/TensorRT-LLM
• llama.cpp:https://github.com/ggml-org/llama.cpp
• vLLM:https://github.com/vllm-project/vllm
• sgLang:https://github.com/sgl-project/sglang
• FlashRT：https://github.com/flashrt-project/FlashRT